改进的PSO算法及其在PID控制器参数整定中的应用

粒子群优化算法(PSO)是一种新兴的随机优化技术,在许多领域得到了广泛应用。为了提高算法的计算精度,加快算法的收敛速度,提出了一种改进的粒子群优化算法,通过引入粒子运动过程中的最差位置信息,由最优个体和最差个体获取信息,有效地提高了算法的搜索能力和收敛速度。在实验研究中,采用改进的粒子群优化算法对PID控制器参数进行整定并用于啤酒发酵过程温度段控制,实验结果表明所提出的算法搜索能力及收敛速度显著提高,应用该方法得到的PID控制器综合性能优于常规方法所得的结果。     

基于免疫粒子群算法的分布式电源多目标规划

针对标准粒子群算法在求解过程中容易陷入局部最优解的问题,提出了一种将免疫算法的免疫信息处理机制和自我调节机制引入到标准粒子群优化算法的新型优化算法,即免疫粒子群优化算法。以分布式电源建设运行费用、有功网损和环境成本最小为多目标函数,建立了分布式电源接入配电网的规划模型,采用免疫粒子群算法对模型进行求解,最终得到分布式电源接入配电网的最优配置方案。以风力发电为例,对IEEE 33节点算例进行仿真分析,结果表明,免疫粒子群算法与标准粒子群优化算法和混沌粒子群算法相比,收敛速度快、收敛精度高。     

一种改进粒子群优化算法的配电网重构

提出了一种改进的粒子群优化算法(RPSO)来解决配电网络重构问题。在RPSO中,根据配电网络的具体特点,将遗传算法中的优化编码技术引入粒子群优化方法中,通过粒子群体对基因代码的操作,提高算法的搜索性能。在寻优过程中,以适应度方差大小衡量粒子群体的"聚集"情况,并根据"聚集"情况来自适应调整群体的变异概率,用以克服粒子群优化算法(PSO)的早熟现象。通过对3个典型的IEEE测试网络重构,并与粒子群算法和遗传算法进行比较,改进的粒子群优化算法比粒子群算法和遗传算法具有更高的搜索效率。     

改进PSO算法在电力系统无功优化中的应用

将改进后的粒子群算法应用于电力系统无功优化问题的求解,克服了传统粒子群算法运算过程繁琐、收敛精度不高、易陷入局部最优的缺点。该优化方法对粒子群算法进行了如下改进:采用简化粒子群优化方程和添加极值扰动算子两种策略,提出了简化粒子群优化(简称SPSO)算法、带极值扰动粒子群优化(简称DPSO)算法,将二者结合起来提出了带极值扰动的简化粒子群优化(简称DSPSO)算法。DSPSO以更小的种群数和进化代数获得了非常好的优化效果,使PSO算法更加实用化。对IEEE 6节点进行无功优化计算,并与其它算法进行了比较,表明该算法具有较强的全局搜索能力和较高的收敛精度,是求解无功优化的有效方法。     

基于共享免疫粒子群算法的电力系统无功优化

针对电力系统无功优化中的粒子群算法计算效率较低,而且易陷入局部最优解等问题,将共享免疫粒子群算法应用到无功优化中,该算法在进行初始化时,运用正交的思想,使得粒子分布均匀;并用记忆粒子和克隆选择来更新粒子,这样可以很好地保持优化过程中粒子群的多样性。经过算例计算证明,共享免疫粒子群算法与其他算法相比,能够及时跳出局部最优得到全局最优解,且收敛速度快、精度高。     

基于烟花优化粒子群的室内定位算法研究

针对测距式射频识别室内定位算法定位误差较大的问题,提出了一种基于烟花优化粒子群的室内定位算法。该算法分为测距和定位两个阶段,在测距阶段使用到达相位差进行测距并构建待优化的目标函数。在定位阶段对粒子群优化算法进行改进。为了改进粒子群优化算法在迭代过程中容易落入局部极值的问题,引入了烟花优化算法的爆炸、变异、选择操作,并对选择规则进行改进;算法还根据烟花爆炸算子和变异算子对粒子群算法的速度更新公式进行改进。实验结果表明,该算法能够有效实现对目标的定位,定位平均误差为0.2773m,与基于标准粒子群优化算法的室内定位算法相比具有39.61%的性能提升。     

基于量子粒子群优化算法的水电系统经济运行

首次将量子粒子群优化算法用于水电系统经济运行研究中。该算法是量子理论与粒子群算法的融合,在粒子编码过程中引入了量子的态矢量表达,并将量子比特的概率幅表示应用于粒子的编码,使得粒子可以表达为多个态的叠加;在粒子更新操作过程中,利用量子逻辑门实现了粒子的演化,具有比常规粒子群算法更好的目标优化性能。仿真结果证实该算法可有效解决水电机组经济运行问题。性能对比显示,该算法求得的解优于常规粒子群算法及其它优化算法所求得的解。     

基于自适应混沌粒子群优化算法的多目标无功优化

针对粒子群无功优化中由于随机生成代表控制变量值的粒子,使得在优化迭代过程中易陷入局部最优解,而且后期收敛速度慢等问题,将混沌优化算法融合到粒子群算法中,提出了混沌粒子群算法求解多目标无功优化问题。该算法在初始化粒子即无功优化控制变量值时,采用混沌思想,增加控制变量取值的多样性;通过粒子群无功优化算法计算各个粒子对应的适应值即无功优化目标函数值,并按照其大小择优选取控制变量值进行混沌优化以帮助无功优化控制变量跳出局部极值区域;并根据无功优化目标函数值自适应地调整其惯性权重系数以提高全局与局部搜索能力。通过算例分析表明,采用自适应混沌粒子群算法进行无功优化,能够及时跳出局部最优得到全局最优解,且收敛速度快。     

一种基于子区域粒子群的无功优化算法研究

针对粒子群算法在寻优时容易陷入局部最优的不足,提出了一种基于子区域粒子群的算法,并运用到电力系统无功优化中。该算法将搜索空间划分成若干个子区域,在各个子区域中均使用粒子群算法进行寻优,通过比较各个子区域的全局最优解,得出整个搜索空间的全局最优。结合无功优化的数学模型应用于IEEE30节点之中,并与标准粒子群算法以及自适应变异粒子群算法的结果相比较,结果表明基于子区域粒子群算法能够大大地降低在寻优过程中陷入局部最优的概率,寻找出更好的全局最优解,在电力系统无功优化中得到良好的应用。     

基于并行免疫粒子群算法的限流措施优化

针对电力系统限流措施优化问题不连续、非线性的特点,提出一种并行免疫粒子群算法。该算法将免疫算法的自我调节机制引入粒子群算法,采用基于粒子相似度的选择机制,保证优化过程中粒子的多样性。根据粒子编码的特点引入疫苗接种概念,有效减少了粒子最优片段丢失的概率,保证算法的收敛精度和收敛速度。并在Matlab并行计算平台上实现免疫粒子群算法的并行化。算例表明该算法具有较强的全局优化能力和收敛稳定性,且计算时间短,有较强的实用意义。